論文の概要: BANSAC: A dynamic BAyesian Network for adaptive SAmple Consensus
- arxiv url: http://arxiv.org/abs/2309.08690v1
- Date: Fri, 15 Sep 2023 18:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 20:05:31.395622
- Title: BANSAC: A dynamic BAyesian Network for adaptive SAmple Consensus
- Title（参考訳）: BANSAC:適応型SAmple Consensusのための動的BAyesian Network
- Authors: Valter Piedade and Pedro Miraldo
- Abstract要約: RANSACベースのアルゴリズムはコンピュータビジョンにおけるロバストな推定の標準手法である。
主な改善点の1つは、RANSACサイクルを早く停止させるガイド付きサンプリングを行うことである。
本稿では,RANSACの新しい適応サンプリング法を提案する。
- 参考スコア（独自算出の注目度）: 10.805520579293747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RANSAC-based algorithms are the standard techniques for robust estimation in
computer vision. These algorithms are iterative and computationally expensive;
they alternate between random sampling of data, computing hypotheses, and
running inlier counting. Many authors tried different approaches to improve
efficiency. One of the major improvements is having a guided sampling, letting
the RANSAC cycle stop sooner. This paper presents a new adaptive sampling
process for RANSAC. Previous methods either assume no prior information about
the inlier/outlier classification of data points or use some previously
computed scores in the sampling. In this paper, we derive a dynamic Bayesian
network that updates individual data points' inlier scores while iterating
RANSAC. At each iteration, we apply weighted sampling using the updated scores.
Our method works with or without prior data point scorings. In addition, we use
the updated inlier/outlier scoring for deriving a new stopping criterion for
the RANSAC loop. We test our method in multiple real-world datasets for several
applications and obtain state-of-the-art results. Our method outperforms the
baselines in accuracy while needing less computational time.
- Abstract（参考訳）: RANSACベースのアルゴリズムはコンピュータビジョンにおけるロバストな推定の標準手法である。
これらのアルゴリズムは反復的かつ計算的に高価であり、データのランダムサンプリング、仮説の計算、異常数計算とを交互に行う。
多くの著者は効率を改善するために異なるアプローチを試した。
主な改善点の1つは、RANSACサイクルを早く停止させるガイド付きサンプリングを行うことである。
本稿では,RANSACの新しい適応サンプリング法を提案する。
以前の方法は、データポイントの異常値/外れ値の分類に関する事前情報を仮定しないか、サンプリングに計算済みのスコアを使うかのどちらかである。
本稿では、RANSACを反復しながら個々のデータポイントのインレージスコアを更新する動的ベイズネットワークを導出する。
各イテレーションで、更新スコアを使用して重み付けサンプリングを適用します。
本手法は,事前データ点採点の有無に関わらず動作する。
さらに,RANSACループの新しい停止基準を導出するために,更新されたインリア/アウトリアスコアを用いる。
本手法を複数の実世界データセットでテストし,最新の結果を得た。
本手法は,計算時間が少なくとも,精度が向上する。
関連論文リスト
- Adaptive Sampling for Deep Learning via Efficient Nonparametric Proxies [35.29595714883275]
我々は,Nadaraya-Watson推定器に対する効率的なスケッチベース近似を開発した。
サンプリングアルゴリズムは,4つのデータセットに対して,壁面時間と精度でベースラインを上回っている。
論文 参考訳（メタデータ） (2023-11-22T18:40:18Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Generalized Differentiable RANSAC [95.95627475224231]
$nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。
$nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
論文 参考訳（メタデータ） (2022-12-26T15:13:13Z) - A Maximum Log-Likelihood Method for Imbalanced Few-Shot Learning Tasks [3.2895195535353308]
数ショットアーキテクチャのための新しい最大ログ類似度指標を提案する。
提案手法は,従来の類似度指標よりも優れた性能を実現することを示す。
また,提案アルゴリズムは,評価データが不均衡である場合に,最先端のトランスダクティブな数ショット性能を実現することを示す。
論文 参考訳（メタデータ） (2022-11-26T21:31:00Z) - Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise
Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。
本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。
提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文 参考訳（メタデータ） (2021-10-08T13:51:55Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - More Informed Random Sample Consensus [1.827510863075184]
本稿では,L'evy分布とデータソートアルゴリズムを併用してデータをサンプリングする手法を提案する。
提案手法の仮説サンプリングステップでは, データをソートアルゴリズムでソートし, 不整集合にあるデータ点の確率に基づいてデータをソートする。
次に、L'evy分布のソートされたデータから仮説をサンプリングする。
論文 参考訳（メタデータ） (2020-11-18T06:43:50Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳（メタデータ） (2020-04-23T05:00:21Z) - Domain Adaptive Bootstrap Aggregating [5.444459446244819]
ブートストラップ集約(英: bootstrap aggregating)は、予測アルゴリズムの安定性を改善する一般的な方法である。
本稿では, ドメイン適応型バッグング手法と, 隣り合う新しい反復型サンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-01-12T20:02:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。